CN113569742B - 一种基于卷积神经网络的宽频带电磁干扰源识别方法 - Google Patents

Abstract

本发明属于干扰源识别技术领域，具体的说是涉及一种基于卷积神经网络的宽频带电磁干扰源识别方法。本发明基于特定环境下常见电磁干扰源的频谱信号，使用相关运算对原始信号进行降噪处理，利用新构建的卷积神经网络提取频谱信号的深度特征，基于类内与类间的相对距离Softmax损失函数，对深度特征进行分类。利用训练数据集更新网络参数，训练得到网络，利用训练好的网络对待检测目标进行识别，得到识别结果。此方法能够快速准确的识别特定电磁环境下的电磁干扰源类型。

Description

一种基于卷积神经网络的宽频带电磁干扰源识别方法

技术领域

本发明属于干扰源识别技术领域，具体的说是涉及一种基于卷积神经网络的宽频带电磁干扰源识别方法。

背景技术

随着无线电技术的广泛应用，出现了多种类型的宽频带辐射源，对电磁干扰源的排查造成困难。目前传统的宽频带电磁干扰源识别方法，首先对电磁干扰源的信号进行人工特征提取，然后通过如k-近邻分类、决策树、模板匹配，支持向量机和神经网络等模式识别方法进行分类。这类方法需要依赖人的验证和分析，人为提取特征会丢失掉某些重要的特征信息。特别地，当干扰源的干扰信号较弱时，不易提取出具有显著区别的特征量，会影响识别准确率，而且识别速度有限。公开号为CN111428561A的中国专利提供了“一种宽带电磁干扰源识别方法及系统、储存介质、设备”中提到用人工提取的特征和模板匹配方法对机场周边的宽带电磁干扰源进行识别，但是识别准确率和识别速度有待进一步提高。

发明内容

本发明的目的是提供一种基于卷积神经网络的宽频带电磁干扰源识别方法，它能自主学习干扰源信号的多种特征，通过分类层可以有效的识别电磁干扰源。

本发明的技术方案是：一种基于卷积神经网络的宽频带电磁干扰源识别方法，包括以下步骤：

S1、采集待检测电磁环境中电磁干扰源在多个频段的频谱信号，将采集的数据作为训练集X；

S2、构建电磁干扰源识别网络，包括降噪层、深度特征提取子网络和分类层；

所述降噪层是权值为背景噪声数据的全连接层，激活函数为Sigmoid函数，将数据转换为0和1之间，训练集通过降噪层后得到输出序列I：

其中，X(i)为训练集X中第i个样本，每个样本序列的长度为m；W_j为第j个背景数据，作为权值，0≤j≤k，k表示背景的个数，0≤n≤k*m，所有h_j(n)合并在一起构成h(n)；

所述深度特征提取子网络由6个一维卷积层、3个池化层、1个展平层和1个全连接层构成，其中一维卷积层对输入的序列I进行特征提取，池化层对提取的特征下采样，展平层将多个卷积核运算的结果展平，全连接层包括线性运算和非线性运算，序列I经过深度特征提取子网络后得到深度特征A；

所述分类层的损失函数为：

J＝L_Softmax+λD_re

其中

其中，C为类型数，O_k为网络输出端的分类标签且O_k∈{0,1}，

为网络训练得到O_k的预测值，A_i为A中第i个向量，W_i和b_i表示第i类对应的全连接层权重矩阵和偏置向量。将A分为多个小批量，其中第m个小批量为A_m。D_intra-class为小批量特征A_m＝{a₁,a₂,…a_m}的类内平均距离，

为每个批次中每个类的几个样本的类中心值，D_inter-class为类间平均距离，

c_all为每个批次中所有样本的中心值，η为1e-6(10^-6)，λ为设置的标量；

S3、采用步骤S1的训练集对步骤S2构建的网络进行训练，直到损失函数误差接近0，得到训练好的电磁干扰源识别网络；

S4、采用训练好的电磁干扰源识别网络对待检测电磁环境中的电磁干扰源进行识别。

本发明的有益效果是：传统的宽频带电磁干扰源识别方法，首先利用各种信号处理方法对电磁干扰源的信号进行人工特征提取，然后通过如k-近邻分类、决策树、模板匹配和支持向量机等分类方法进行识别。这类方法需要依赖人的验证和分析，人为提取的特征会丢失掉某些重要的特征信息。这种方法的识别效果不仅取决于识别方法，还取决于所提取的特征参数。为了得到更高的识别率，提取特征的算法比较复杂，运算量大。特别地，当干扰源的干扰信号较弱时，不易提取出具有显著区别的特征量，会影响识别准确率，而且识别速度有限。本专利基于深度学习的卷积神经网络来自动提取特征，并优化损失函数，通过增大特征量类间距离与类内距离的相对值，改善特征分布，从而提高识别准确率和速度。

附图说明

图1为本发明识别电磁干扰源的流程图；

图2为测试所得7类干扰源信号在108MHz-350MHz的频谱；

图3为本发明新网络的结构图；

图4为本发明新网络测试结果的混淆矩阵，其中(a)为本发明新网络在数据集1上的测试结果、(b)为本发明新网络在数据集2上的测试结果、(c)本发明新网络为在数据集3上的测试结果。

具体实施方式

下面结合附图及实施例，详细描述本发明的技术方案：

如图1所示，本发明的方法主要包括对多种电磁干扰源的频谱信号进行采集，基于卷积神经网络搭建新的网络并训练，测试网络，实现电磁干扰源的快速准确识别。所述方法包括：

数据采集，采集待识别宽频带电磁干扰源的频谱数据。电磁干扰源在不同频段的辐射信号不同，为了得到更全面的数据，采集各个干扰源在多个频段下的辐射信号。

数据预处理，由于采集环境的限制，干扰源的测试环境和测试距离可能不同，需要对测试数据进行相关性分析和归一化处理。

新网络的结构，虽然深度网络模型提取的特征参数难以解释其物理意义，但是深度网络可以自主学习输入数据的多种特征。基于此，本发明提出了在干扰源频域信号中自主学习深度特征进行分类的新网络，包括降噪层(NRL)，深度特征提取子网络和分类层。

降噪层是权值为背景噪声数据的全连接层，激活函数为Sigmoid函数，将数据转换为0和1之间。设X为输入数据，是电磁干扰源辐射信号的频谱数据序列，每个序列总长度为m。I为降噪后的输出序列，长度也是m。背景噪声数据作为权值W_j。

其中，0≤j≤k，0≤n≤k*m，k表示背景的个数。所有h_j(n)合并在一起构成h(n)。

深度特征提取子网络，由6个一维卷积层，3个池化层，1个展平层和1个全连接层构成，输出的特征作为分类层的输入。假设卷积层输入序列I的维数为(1，N_i)，卷积核K的维数为(1，N_k)，第j次的一维卷积运算结果为

其中，1≤j≤N_i-N_k+1。假设卷积计算的步幅为s，则卷积运算后的数据长度为[(N_i-N_k)/s]+1。

池化层对特征进行下采样，稀疏处理，减少运算量。常用的池化方法有最大池化和平均池化，对于电磁干扰源的频谱数据，最大值更能体现干扰特性，采用最大池化方法，可以解决平均池化模糊问题。

展平层将多个卷积核运算的结果展平。

全连接层包括线性运算和非线性运算，假设全连接层为第k层，输入为A^[k-1]，权重为W^[k]，偏置为b^[k]，ReLU函数作为非线性激活函数，则输出A^[k]为：

A^[k]＝ReLU(A^[k-1].W^[k]+b^[k])

全连接层的输出A^[k]即为得到的深层特征量。

分类层，将Softmax激活函数和类内与类间的相对距离相结合。传统的基于CNN的分类方法，网络的分类层是一个基于Softmax函数的全连接层，实现多类型分类。Softmax层为第k+1层，输入为A^[k]，输出为A^[k+1]，权值和偏置分别为W^[k+1]，b^[k+1]，则

Z^[k+1]＝W^[k+1].A^[k]+b^[k+1]

令

1≤i≤C，其中C为类型数，则定义输出A^[k+1]的第i个数据的大小为

假设O_i为网络输出端的分类标签且O_i∈{0,1}，

为网络训练得到O_i的预测值，即

通过激活函数，A^[k+1]中最大值被突出显示，其他值被显著抑制。Softmax损失函数

为

W_i和b_i表示第i类对应的全连接层权重矩阵和偏置向量。可以看出全连接层输出值的大小决定了特征A_i所属于的类别。但是，L_Softmax主要增加了不同类之间的距离。

假设小批量特征为A_m＝{a₁,a₂,…a_m}，每个批次中每个类的几个样本的类中心值为

每个样本与类中心之间的距离定义为类内距离，类内平均距离为

每个批次中所有样本的中心值c_all，假设共有C类，每个类与所有样本中心之间的距离定义为类间平均距离，类间平均距离为

类内与类间的相对距离定义如下：

其中η为一个非常小的常数，避免分母上的值为0，设置为1e-6(10^-6)。可以看出当D_re<<1且接近0时，类内距离远小于类间距离，可以得到比较好的特征分布。因此，我们将总损失定义为：

J＝L_Softmax+λD_re

λ用于平衡两个损失的标量，设置为1，通过不断的训练网络参数使得总损失J达到最小。

训练新网络，尽可能在最短的时间内更新网络参数使得损失函数值达到预期的最小值，并且获得高的的准确率。网络的反向传播，计算损失函数关于各个参数的导数，利用优化算法更新参数，直到函数收敛，使得损失值最小。D_re关于a_i的导数为

D_re关于的

导数为

D_re关于c_all的导数为

卷积层梯度的计算有所不同，假设卷积层第l-1层的正向传播公式为

假设第l层误差为δ^[l]，则第l-1层的误差为

式中

表示卷积核左右翻转，则卷积层参数w和b的梯度为

本发明使用Adam来更新参数，假设t表示迭代次数(timestep)，初始值为0，用

表示第t次迭代时参数W，b，

或者c_all关于损失函数的梯度，步骤如下：

(1)计算偏差校正前后的一阶矩，偏差校正前一阶矩保存在变量v中，偏差校正后一阶矩保存在v'中，则在第t次迭代时，第l层校正前后一阶矩为

(2)计算偏差的第二阶矩估计，偏差校正前后的二阶矩分别保存在变量s和s'中，则在第t次迭代时，第l层校正前后二阶矩为

(3)根据前面的变量更新参数

学习率a通常设置为0.01，参数β₁和β₂通常分别为0.9和0.999，ε为一个非常小的数，用于避免分母上的值为0，一般设置为1e-8(10^-8)。

测试新网络，利用多个测试集对训练好的网络进行测试，得到测试准确率，即识别率。

实施例

以中国某一机场的电磁环境为例，机场通信导航设备的工作频率主要集中在108MHz-2000MHz。收集了3种类型老化电源、2种屏蔽器，同时将某一电气化铁路电分相区离线电弧也作为干扰源。将实验室背景噪声(Background noise)、电气化铁路电分相电弧(ANS arc of electrified railway)、信号屏蔽器-PBQ2X(Signal jammer-PBQ2X)、信号屏蔽器-PBQ6X(Signal jammer-PBQ6X)、民用照明灯的老化电源(Aging power supply forcivil lighting)、机场照明灯的老化电源(Aging power supply for airportlighting)、机场跑道灯的老化电源(Aging power supply for airport runway lights)视作7类信号。为了验证本文的方法，分别采集得到3个数据集，如表1所述，在不同的数据集上进行实验。

表1 3个数据集

其中，7类信号在108-350MHz的某一样本数据如图2所示。

基于传统卷积神经网络的思想，建立新的网络结构，包括降噪层(NRL)，6个一维卷积层，3个池化层，1个展平层，1个全连接和分类层，如图3所示。

利用训练集数据训练建立的网络，不断更新参数，知道损失值接近0。本文采用Adam优化方法，参数β₁＝0.9和β₂＝0.999。网络中所有参数初始化方法为Xavier，学习率a取值为0.001，batch size取值为64，epochs取值为100。全连接层神经元数设置为100,分类层层神经元个数为7。本发明的方法在三个数据集上的训练时间分别为57.138s，30.051s和11.146s。

利用测试集对训练好的网络的进行测试，若测试效果不理想，优化网络结构并重新训练网络，直到测试结果最佳，测试准确率越接近100％越好。测试准确率即为连线识别率即为离线识别率。在3个测试集上得到的混淆矩阵如图4。本发明的方法在三个测试集上的识别率分别为98.21％、100％和100％。

Claims (1)

1.一种基于卷积神经网络的宽频带电磁干扰源识别方法，其特征在于，包括以下步骤：

S1、采集待检测电磁环境中电磁干扰源在多个频段的频谱信号，将采集的数据作为训练集X；

S2、构建电磁干扰源识别网络，包括降噪层、深度特征提取子网络和分类层；

所述降噪层是权值为背景噪声数据的全连接层，激活函数为Sigmoid函数，将数据转换为0和1之间，训练集通过降噪层后得到输出序列I：

其中，X(i)为训练集中第i个样本，每个样本序列的长度为m；W_j为第j个背景数据，作为权值，0≤j≤k，k表示背景的个数，0≤n≤k*m，所有h_j(n)合并在一起构成h(n)；

所述深度特征提取子网络由6个一维卷积层、3个池化层、1个展平层和1个全连接层构成，其中一维卷积层对输入的序列I进行特征提取，池化层对提取的特征下采样，展平层将多个卷积核运算的结果展平，全连接层包括线性运算和非线性运算，序列I经过深度特征提取子网络后得到深度特征A；

所述分类层的损失函数为：

J＝L_Softmax+λD_re

其中

其中，C为类型数，O_k为网络输出端的分类标签且O_k∈{0,1}，

为网络训练得到O_k的预测值，A_i为A中第i个向量，W_i和b_i表示第i类对应的全连接层权重矩阵和偏置向量，将A分为多个小批量，其中第m个小批量为A_m，D_intra-class为小批量特征A_m＝{a₁,a₂,…a_m}的类内平均距离，

为每个批次中每个类的几个样本的类中心值，D_inter-class为类间平均距离，

c_all为每个批次中所有样本的中心值，η为1e-6(10^-6)，λ为设置的标量；

S3、采用步骤S1的训练集对步骤S2构建的网络进行训练，直到损失函数误差接近0，得到训练好的电磁干扰源识别网络；

S4、采用训练好的电磁干扰源识别网络对待检测电磁环境中的电磁干扰源进行识别。

Images